基于重症监护数据库MIMIC-Ⅱ的临床数据挖掘研究

该文介绍了麻省理工计算生理学实验室、哈佛医学院BID医学中心以及飞利浦医疗合作建立的、开源的、多参数智能重症监护数据库Multiparameter Intelligent Monitoring in Intensive Care II:MIMIC-II,简单介绍了其结构、功能和临床应用。基于MIMIC-II临床数据库,开展了ICU脓毒血症病人血压和心率的昼夜节律性研究。该研究发现了脓毒血症患者死亡组和存活组在生理参数昼夜节律性上的显著性差异,解决了使用关系型数据库MIMIC-II开展生理参数昼夜节律性研究的很多技术问题。

PPIs与重症缺血性脑卒中患者短期、长期死亡风险的关联:基于MIMIC-Ⅲ数据库的回顾性队列研究

目的 研究质子泵抑制剂(PPIs)的使用与重症缺血性脑卒中患者短期、长期死亡风险的关联。方法 基于美国重症监护医学信息数据库Ⅲ(MIMIC-Ⅲ),纳入年龄≥18岁、首次入住重症监护病房(ICU)并诊断为缺血性脑卒中的患者。根据住院期间是否使用过PPIs(泮托拉唑、兰索拉唑和奥美拉唑),将患者分为PPIs组和非PPIs组。对比2组基线数据后,采用Kaplan-Meier生存曲线和Cox比例风险回归模型分析使用PPIs与重症缺血性脑卒中患者ICU死亡风险、30 d死亡风险、90 d死亡风险的关联。结果 共纳入1 015例患者,其中PPIs组402例,非PPIs组613例。基线资料显示,重症缺血性脑卒中患者的ICU死亡率、30 d死亡率、90 d死亡率分别为15.37%,13.60%,20.10%。Kaplan-Meier生存曲线表明,相对于非PPIs组,PPIs组的ICU死亡风险较低(P=0.002)。Cox比例风险回归模型在调整多个变量后的结果显示,PPIs组相对于非PPIs组的ICU死亡风险比为0.671 9 [95%CI(0.478 8,0.942 8),P=0.021],但2组患者30 d和90 d的死亡风险差异均无统计学意义(P> 0.05)。结论 重症缺血性脑卒中患者中,使用PPIs可能会有效降低患者的ICU死亡风险,但对患者的30 d死亡风险和90 d死亡风险没有改善作用。

基于MIMIC-Ⅳ数据库构建重症心肌病病人预后预测模型

目的:分析合并心肌病重症病人院内死亡的影响因素,并构建列线图模型。方法:回顾性分析2008年—2019年在医学信息市场重症监护(MIMIC-Ⅳ)数据库中2 115例重症病人的临床资料,主要结局为院内死亡。采用多因素Logistic回归模型构建院内死亡的预测模型。应用R语言建立预测院内死亡的列线图模型,并计算C-指数评估该模型对预后的辨别能力。采用1 000次重采样的BootStrap方法绘制标定曲线,可反映实际概率与列线图预测概率的一致性。通过受试者工作特征(ROC)曲线及ROC曲线下面积(AUC)评价列线图。结果:多因素Logistic回归筛选出年龄、格拉斯哥昏迷量表评分、查尔森共病指数、心率、动脉血氧分压、平均动脉压及阴离子间隙是对重症心肌病病人院内死亡有影响的临床因素。采用独立预测因子构建合并心肌病的重症病人发生院内死亡的列线图。院内死亡预测的C-指数为0.847,通过校正曲线证明预测的院内死亡率与实际的院内死亡率具有较好的一致性。构建的临床预测模型的AUC为0.847,表明构建的列线图具有良好的预测能力。决策曲线分析(DCA)显示在验证队列的一系列死亡风险中可获得较大的净收益。结论:年龄、格拉斯哥昏迷量表评分、查尔森共病指数、心率、动脉血氧分压、平均动脉压及阴离子间隙是合并心肌病重症病人院内死亡的影响因素,基于多种因素构建的列线图模型具有良好的预测价值。

无肝病患者入ICU初始血氨水平对预后的影响——基于eICU数据库的回顾性队列研究

目的探讨成年无肝病重症患者入重症监护室(ICU)首次血氨水平与患者ICU死亡及医院死亡发生风险间的关系。方法采用回顾性队列研究,纳入eICU合作研究数据库(eICU Collaborative Research Database,eICU-CRD)中单次入院,首次入住ICU初始48 h内有血氨检测记录且入ICU未患有肝脏疾病的患者。提取患者的年龄、性别、种族、急性生理和慢性健康评分Ⅳ(APACHEⅣ评分)、肾脏替代治疗等治疗措施、基础患病情况及结局。采用单因素及多因素Logistic回归分析血氨水平与患者死亡风险之间的关系。采用交互作用分析初始血氨水平与患者死亡风险间的关系在不同APACHEⅣ评分、年龄、性别和种族患者中是否存在差异,同时进行亚组分析。结果共纳入1674名患者,多因素Logistic回归显示,初始血氨每增加10μg/dL,患者ICU死亡风险增高6.9%(OR=1.069,95%CI:1.036~1.104),患者医院死亡风险增高4.6%(OR=1.046,95%CI:1.017~1.076);初始血氨在49~82μg/dL组、≥82μg/dL组的患者ICU死亡风险和≥82μg/dL组患者医院死亡风险分别是<49μg/dL组患者的1.7倍(OR=1.700,95%CI:1.165~2.482)、2.862倍(OR=2.862,95%CI:1.792~4.570)、1.844倍(OR=1.844,95%CI:1.213~2.804)。初始血氨水平与ICU及医院死亡发生风险间的关系在不同APACHEⅣ评分、年龄、性别及种族患者中差异无统计学意义。结论在未患有肝脏疾病的重症患者中,入ICU后初始血氨水平升高与患者ICU及医院高死亡风险相关。

重症监护医学信息数据库隐私保护技术探讨

介绍《健康保险流通与责任法案》(HIPAA)对隐私的定义以及去标识化过程和方法,从属性删除、日期平移、自由文本处理几方面阐述并分析遵循HIPAA原则的重症监护医学信息数据库(MIMIC-Ⅲ)去标识化及脱敏技术规则制定、应用及改进方面。

心力衰竭重症患者院内死亡率的预测模型:基于MIMIC-Ⅲ数据库的回顾性研究

[目的]基于重症监护医学数据库(MIMIC-Ⅲ)分析心力衰竭重症患者院内死亡率的预后因素并构建预测模型。[方法]从MIMIC-Ⅲ数据库中提取心力衰竭患者的相关数据。随机将研究对象(n=8604)按7∶3分为训练组(n=6022)和验证组(n=2582),结局为院内死亡率。对训练组进行LASSO-Logistic回归分析,确定心力衰竭患者院内死亡率的预后因素,并据此构建列线图模型。受试者工作特征(ROC)曲线评估列线图模型的区分度,校准曲线评估列线图模型的校准能力,决策曲线分析(DCA)和临床影响曲线(CIC)评估列线图模型的临床疗效。[结果]LASSO-Logistic分析表明,红细胞分布宽度(RDW)、呼吸频率、血氧饱和度、急性生理评分Ⅲ(APSⅢ)评分和简化急性生理评分Ⅱ(SAPSⅡ)是心力衰竭重症患者院内死亡率的独立预测因素。在训练组和验证组中,ROC曲线下面积(AUC)分别为0.775(95%CI:0.757~0.792)和0.767(95%CI:0.742~0.793),校准曲线与对角线均高度重合,平均绝对误差为0.009和0.016,表明预测模型具有较好的区分度和校准度。同时,DCA和CIC曲线显示,预测模型在大部分的阈值概率范围内提供了显著的净收益。[结论]列线图模型能简单而准确地预测心力衰竭重症患者院内死亡率。

危急重症监护数据库MIMIC-Ⅲ疾病谱分析

目的深度解析重症监护医学信息数据库（MIMIC-）患者疾病谱，为基于MIMIC-数据库解决临床科研问题的临床医生及工程师提供相关数据参考。 方法利用探索性数据分析方法，探究MIMIC-数据库中各年龄层患者（不包括新生儿）疾病及急症分布特点；基于相同方法，分析新生儿孕周、体重、重症加强治疗病房（ICU）住院时间等数据的分布特点。结果MIMIC-数据库中首次入院46-428例患者，49？214例次ICU记录。其中男性26-076例，女性20？352例；中位年龄为60.5（38.6，75.6）岁；分布在61-80岁的患者最多。疾病谱分析中，第一诊断以循环系统疾病患者占比最大（占32%），其次为损伤和中毒（占14%）、消化系统疾病（占8%）、肿瘤（占7%）、呼吸系统疾病（占6%）等。循环系统疾病中缺血性心脏病患者占比最大（占42%），患者比例随年龄增加到60-70岁达最大值后逐渐下降；而脑血管疾病患者比例则随年龄增长呈先下降后升高趋势，并且是循环系统疾病死亡的主要原因（占22.5%）。损伤和中毒患者随年龄增加比例呈明显下降趋势。消化系统疾病较总人群分布偏年轻化（50-60岁者最多），非感染性肠炎和结肠炎是其主要死亡原因（ICU病死率18.3%）。在感染患者中以呼吸系统感染为主（占34%），但循环系统感染是其主要死亡原因（ICU病死率25.6%）。监护室新生儿中早产儿占82%，随孕龄增加，ICU住院时间减少，且病死率下降。 结论通过对MIMIC-数据库患者疾病谱进行深度解析，能为相关领域研究者提供一定数据参考，利于先期掌握研究目标对象的体量和分布概况以及开展下一步研究，同时可了解探索性数据分析技术在医疗数据分析领域的重要作用，为利用电子健康档案进行数据研究提供便利。

基于重症监护医学信息数据库-Ⅲ建立预测心脏术后再次转入重症监护室风险的模型

目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转入ICU"的定义将其分为对照组与病例组。主要结果采用最小绝对收缩与选择算子(The least absolute shrinkage and selection operator, LASSO)回归、单因素以及多因素Logistic回归分析确定术后再次转入ICU的独立预测因素,并在此基础上构建列线图模型。结果最终共纳入4 420例接受心脏手术后的患者进行回顾性分析,其分为对照组(n=4 183,占94.6%)与病例组(n=237,占5.4%)。多因素logistic回归分析显示术前并发心律失常(OR=0.723,95%CI:0.546-0.958,P<0.05),外周血管疾病(OR=0.658,95%CI:0.465-0.930,P<0.05),肾功能不全(OR=0.649,95%CI:0.428-0.983,P<0.05),电解质紊乱(OR=0.549,95%CI:0.380-0.792,P<0.01),充血性心力衰竭(OR=0.476,95%CI:0.358-0.633,P<0.01),药物滥用(OR=0.453,95%CI:0.206-0.992,P<0.05),酗酒(OR=0.402,95%CI:0.206-0.786,P<0.01),失血性贫血(OR=0.260,95%CI:0.085-0.796,P<0.05),由急诊手术入院(OR=2.906,95%CI:2.118-3.986,P<0.01),术后并发重症脓毒症(OR=0.304,95%CI:0.095-0.974,P<0.05)为心脏术后患者再次转入ICU的独立预测因素。并且,该模型具有良好的区分能力。结论本研究建立的预测心脏术后再次转入ICU风险的列线图模型可能有助于ICU医生识别高风险患者。然而,在模型推荐用于临床实践之前,该模型需要进一步的外部验证。

重症监护医学信息数据库Ⅲ中的重症患者早期急性肾损伤风险分析

目的对重症患者入重症监护室(ICU)48 h内发生急性肾损伤(AKI)的影响因素进行分析,确定风险预测因素。方法以重症监护医学信息数据库Ⅲ(MIMIC-Ⅲ)为基础,提取符合条件的患者以及相应的临床信息。通过单因素及多因素Logistic回归分析确定重症患者入ICU后48 h内发生AKI的风险因素,并通过受试者工作特征曲线(ROC)确定所建立回归模型的预测效能。结果纳入重症患者34599例,早期AKI的发生率为6.21%,发生早期AKI的患者死亡率为12.10%。多因素分析结果显示,性别、年龄、序贯器官衰竭评分(SOFA)、冠状动脉疾病、白细胞计数、糖尿病、贫血、血尿素氮、血清肌酐及血小板计数是重症患者发生早期AKI的独立影响因素。所建立的回归模型预测效能良好,ROC曲线下面积为0.762(95%CI:0.751~0.772)。结论所建立的风险预测模型能够在患者入ICU时鉴别出48 h内发生AKI的高风险患者,帮助临床医生进行早期诊断,及时对患者进行监测和早期预防。

可解释机器学习模型预测心脏骤停患者院内死亡风险:基于MIMIC-Ⅳ2.0数据库

目的构建可预测心脏骤停患者住院期间死亡风险的机器学习模型,并对其进行解释。方法提取美国重症监护医学信息数据库Ⅳ(Medical Information Mart for Intensive Care databaseⅣ,MIMIC-Ⅳ)2.0中心脏骤停患者转入ICU 24 h内首次临床资料及住院期间转归,基于机器学习算法构建6种可预测心脏骤停患者院内死亡风险的模型,包括XGBoost模型、轻量级梯度提升机(light gradient boosting machine,LGBM)模型、决策树(decision tree,DT)模型、K近邻(K-nearest neighbor,KNN)模型、Logistic回归模型、随机森林(random forest,RF)模型。采用受试者操作特征(receiver operator characteristic,ROC)曲线、临床决策曲线及校准曲线对模型进行评价,并采用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对最优模型的影响,以增加模型的可解释性。结果共1465例符合纳入与排除标准的心脏骤停患者入选本研究。其中住院期间存活773例、死亡692例。经筛选,共纳入82个临床特征用于机器学习模型构建。模型评价结果显示,相较于其余5种模型,LGBM模型预测心脏骤停患者院内死亡的曲线下面积(area under the curve,AUC)更高[0.834(95%CI:0.688~0.894)],且相对于Logistic回归模型、XGBoost模型,其对死亡风险的预测准确性更高(校准度:0.166),临床决策性能更优,整体性能最佳。SHAP算法分析显示,对LGBM模型输出结果影响最大的3个临床特征分别为格拉斯哥睁眼反应评分、碳酸氢盐水平、白细胞计数。结论基于大型公共医疗卫生数据库建立的可预测心脏骤停患者住院期间死亡风险的机器学习模型中,LGBM模型性能最优,其可辅助临床进行更高效的疾病管理和更精准的医疗干预。

经鼻高流量氧疗对AECOPD患者预后的影响——基于MIMIC-Ⅲ数据库的回顾性队列研究

目的 观察经鼻高流量氧疗(HFNC)对慢性阻塞性肺疾病急性加重(AECOPD)患者预后的影响.方法 采用回顾性队列研究.从美国重症监护医学信息数据库-Ⅲ(MIMIC-Ⅲ)中提取首次入住重症监护病房(ICU)且ICU住院时间>24 h的成年AECOPD患者,收集患者的基本信息、合并症、疾病严重程度评分、24h内生命体征平均值、24h内实验室指标平均值、ICU住院期间血管活性药物使用情况等基线数据.按接受HFNC或无创机械通气(NIV)治疗将患者分为HFNC组和NIV组.将两组患者的基本资料进行倾向性评分匹配(PSM),绘制Kaplan-Meier生存曲线,比较PSM前后两组患者气管插管/气管切开率、全因ICU病死率、全因院内病死率、全因 28d病死率的差异.结果 最终筛选出符合纳入标准的AECOPD患者 246 例,其中HFNC组 102 例,NIV组 144 例.与HFNC组比较,NIV组女性占比较高(P<0.05),序贯器官衰竭评分(SOFA)、血乳酸(Lac)、离子间隙(AG)、血小板计数(PLT)、白细胞计数(WBC)和ICU住院期间血管活性药物的使用率均明显降低(均P<0.05),动脉血二氧化碳分压(PaCO_(2))和碳酸氢根(HCO3-)水平均明显升高(均P<0.05).Kaplan-Meier生存曲线分析显示:两组患者气管插管/气管切开率、全因ICU住院病死率比较差异均无统计学意义(Log-Rank检验:χ^(2) 值分别为 2.450 和 1.210,P值分别为 0.117 和 0.271),HFNC组全因住院病死率和全因 28d病死率均明显高于NIV组(Log-Rank检验:χ^(2) 值分别为 4.970 和 3.990,P值分别为 0.026 和 0.046).纳入氧疗方式和单因素分析差异有统计学意义的性别、SOFA评分、Lac、AG、PaCO_(2)、HCO_(3)^(-)、PLT、WBC、血管加压素使用、去氧肾上腺素使用、去甲肾上腺素使用变量,构建Cox比例风险模型,结果显示,HFNC组气管插管/气管切开风险较NIV组降低 72.6%[风险比(HR)=0.274,95%可信区间(95%CI)为 0.112~0.669,P=0.004];而HFNC组和NIV组全因ICU病死率(11.76%比 7.64%)、全因住院病死率(20.59%比 10.42%)、全因 28d病死率(24.51%比14.58%)比较差异均无统计学意义(HR分别为1.141、1.352,1.415,95%CI分别为0.452~2.879、0.641~2.853、0.726~2.757,P分别为 0.780、0.428、0.307).PSM匹配后得到HFNC组患者与NIV组各 73 例.两组基线特征数据比较差异均无统计学意义.Kaplan-Meier生存曲线分析显示:HFNC组气管插管/气管切开率明显低于NIV组(Log-Rank检验:χ^(2)=7.640,P=0.006);两组全因ICU住院病死率、全因住院病死率、全因 28d病死率比较差异均无统计学意义.PSM匹配后Cox比例风险模型结果与PSM匹配前一致:HFNC组患者气管插管/气管切开风险比NIV组降低 76.1%(HR=0.239,95%CI为 0.079~0.721,P=0.011);而HFNC组全因ICU病死率、全因住院病死率、全因 28d病死率与NIV组比较差异无统计学意义(HR分别为 0.996、1.358、1.505,95%CI分别为 0.321~3.090、0.572~3.223、0.699~3.244,P值分别为 0.995、0.488、0.296).结论 HFNC治疗可降低AECOPD患者气管插管/气管切开率的同时也不会增加病死率,可以考虑作为NIV的替代方案.但仍需要开展更高质量、更全面的研究来验证HFNC的确切疗效.

平均动脉压变异度与重症患者短期预后的关系:基于大型临床数据库MIMIC-Ⅲ的回顾性分析

目的探讨平均动脉压(mean arterial pressure,MAP)变异度与重症患者的重症医学科(intensive care unit,ICU)病死率之间的关系。方法回顾性分析重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ中38852例入ICU的重症患者的临床资料,计算入ICU后24 h内记录的MAP的变异系数作为MAP变异度,采用一般线性回归观察入ICU 24 h内MAP变异度与重症患者ICU病死率之间的相关性,并采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估MAP变异度预测重症患者ICU病死率的能力。结果入ICU 24 h的MAP变异度与ICU病死率之间有很好的相关性(R2=0.860,P<0.001),MAP变异度越大,ICU病死率越高。24h的MAP变异程度预测ICU病死率的AUC为0.61。结论重症患者入ICU 24 h内的MAP变异度与ICU病死率有很好的相关性,MAP变异度越大,ICU病死率越高;MAP变异度能够为简单快速预测危重患者的ICU病死率提供一定的信息。

基于MIMIC-Ⅲ数据库探寻脓毒症患者脉搏血氧饱和度的目标区间

目的利用美国重症监护医学信息数据库Ⅲ(MIMIC-Ⅲ)数据,探寻和验证脓毒症患者脉搏血氧饱和度(pulse oximeters,SpO_(2))的目标区间。方法提取MIMIC-Ⅲ数据库中2001年至2012年符合脓毒症标准的病历资料,构建以院内死亡为应变量,SpO_(2)中位数为自变量,年龄、性别、转移瘤、血培养、机械通气及时间、共病指数、序贯器官衰竭评分(sequential organ failure assessment,SOFA)、简化急性生理学评分(simplified acute physiology score,SAPS)Ⅱ为协变量的广义相加模型(generalized additive model,GAM),绘制院内病死率与SpO_(2)中位数的关系图,得到SpO_(2)目标区间。计算每例患者SpO_(2)处于目标区间内外的时间占比,拟合院内死亡与时间占比的关系图,验证SpO_(2)目标区间。结果共计纳入病例14203例,其中男性占比56.0%,年龄中位数68(55,79)岁,SpO_(2)中位数97%(96%,99%),院内病死率14.5%。当SpO_(2)处于95%~98%区间,脓毒症患者病死率最低,且随着SpO_(2)处于此区间时间越久,脓毒症患者病死率越低。结论脓毒症患者SpO_(2)目标区间为95%~98%。

基于重症监护医学信息数据库-Ⅳ分析低三碘甲状腺原氨酸综合征与脓毒症患者病死率的相关性

目的探讨低三碘甲状腺原氨酸(T_(3))综合征对脓毒症患者病情严重程度及预后的影响。方法纳入重症监护医学信息数据库-Ⅳ(MIMIC-Ⅳ)中的脓毒症患者963例,根据T_(3)水平将其分为低T_(3)组488例(T_(3)<80 ng/dl)及非低T_(3)组475例(T_(3)≥80 ng/dl)。收集所有患者的一般资料、合并症、实验室检查指标、危重度评分、入ICU 24 h内是否接受机械通气或肾脏替代治疗情况、预后情况并进行组间比较。采用局部加权回归(Lowess)拟合整体死亡率趋势的曲线。采用多因素logistic回归分析评估影响脓毒症合并低T_(3)综合征患者死亡的危险因素。构建列线图预测模型,采用受试者工作特征(ROC)曲线分析该模型的预测效能,采用Hosmer-Lemeshow(H-L)检验对列线图模型的拟合度进行验证。结果低T_(3)组年龄、慢性心力衰竭、机械通气、肾脏替代治疗患者比例、序贯器官衰竭评估(SOFA)评分、急性生理学评分(APS)Ⅲ、WBC计数、中性粒细胞与淋巴细胞比值(NLR)、血肌酐(SCr)、血乳酸(Lac)均显著高于非低T_(3)组,T_(3)、甲状腺素(T_(4))、游离甲状腺素(FT_(4))及氧合指数均显著低于非低T_(3)组(P<0.05)。低T_(3)组28 d死亡、365 d死亡、ICU死亡、院内死亡患者比例及入住ICU时间、住院时间均高于非低T_(3)组(P<0.05)。Lowess曲线分析结果显示,T_(3)水平越低,脓毒症患者28 d死亡率、365 d死亡率、ICU死亡率及院内死亡率越高。多因素logistic回归分析结果显示,低T_(3)水平、SOFA评分、APSⅢ及年龄均是脓毒症合并低T_(3)综合征患者的独立危险因素(P<0.05)。构建列线图预测模型并绘制预测模型ROC曲线,结果显示预测模型的预测效能优于各独立危险因素单独预测。H-L检验结果显示模型拟合度良好,具备较高的预测价值(P=0.119)。结论低T_(3)综合征与脓毒症患者死亡风险增加相关,T_(3)水平对其预后有重要的预测价值。

急诊滞留时间与需要入住ICU的脓毒症患者的预后分析:一项基于大型数据库的回顾性队列研究

目的评价急诊滞留时间(Emergency Department Length of Stay,ED-LOS)与需要入住重症监护病房(Intensive Care Unit,ICU)的脓毒症患者预后之间的关系。方法此回顾性队列研究从重症监护医学信息数据库(Medical Information Mark for Intensive Care,MIMIC Ⅲ)提取出需要从急诊科(Emergency Department,ED)直接转入ICU的脓毒症患者的相关信息,以ED-LOS是否大于4 h将研究人群分成两组,比较两组患者结局指标的差异。倾向性评分匹配(Propensity Score Matching,PSM)用于平衡两组间的基线特征。多因素logistic回归分析探讨不同变量对院内死亡率、机械通气及肾脏替代治疗等临床结局的影响;绘制两组患者的28天Kaplan-Meier生存曲线,并进行log-rank检验。结果共有4 918例患者纳入分析,进行1:1 PSM后,两组均有1 895例患者,两组患者的院内死亡率及总住院时间无统计学差异。而与ED-LOS≤4 h组患者相比,>4 h组有更多的患者需要进行机械通气(29.4%vs. 39.9%,P <0.001)以及肾脏替代治疗(8.6%vs.9.8%,P=0.022)。多因素logistic回归分析提示:ED-LOS并未增加或降低院内死亡率(OR=1.016,95%CI:0.988-1.045,P=0.258);而ED-LOS降低了患者需要进行机械通气(机械通气:OR=0.912,95%CI:0.888-0.936,P=0.000)及肾脏替代治疗(OR=0.963,95%CI:0.954-0.972,P=0.021)的风险。结论 ED-LOS与脓毒症患者的院内死亡率及总住院时间并不存在相关性;但ED-LOS的延长,使得更多的脓毒症患者需要进行呼吸支持及肾脏支持治疗。

构建重症急性胰腺炎患者30d预后预测Nomogram图

目的 探讨重症急性胰腺炎(severe acute pancreatitis,SAP)患者30 d预后危险因素并建立预后Nomogram图。方法 提取美国重症监护医学信息数据库-Ⅳ(MIMIC-Ⅳ)中符合SAP患者的数据,按7∶3比例分为建模组和验证组,对比两组基线资料差异,以30 d是否死亡为主要指标,用单因素和多因素回归分析得出独立危险因素,建立Nomogram图风险预测模型,并通过校正曲线和受试者工作特征(ROC)曲线下面积(AUC)评价Nomogram图的效果。结果 纳入713例SAP患者,建模组499例,验证组214例,两组基线数据差异无统计学意义。多因素COX回归分析显示,年龄、呼吸频率、红细胞分布宽度(red cell distribution width,RDW)、总胆红素和是否机械通气是SAP患者30 d内死亡的独立预测因子。以此建立Nomogram图,模型AUC为0.720,校正曲线C-index为0.805;验证组AUC为0.755,校正曲线C-index为0.821,提示模型有良好的预测能力。结论 以年龄、呼吸频率、RDW、总胆红素、是否机械通气建立的Nomogram图具有良好的预测价值,对相关指标进行早期干预,尤其SAP患者早期行机械通气可提高患者的临床预后。

基于血压及心率变异度预测重症患者院内死亡风险

目的 利用入住重症监护病房(intensive care unit, ICU)时的血压变异度(CV-MAP)及心率变异度(CV-HR)构建预测模型,预测ICU患者院内死亡的风险。方法 回顾性分析在美国重症监护医学信息数据库Ⅲ(medical information mart for intensive care, MIMICⅢ)中年龄≥18岁,且首次入住ICU患者的临床资料。通过多因素Logistic分析筛选危险因素并构建评分系统,采用受试者工作特征(receiver operator characteristic, ROC)曲线和校准曲线评估模型区分度和校准度,采用临床决策曲线评估模型实际应用价值。结果 共筛选符合标准的患者38 824例,院内死亡患者4075例(住院病死率为10.5%)。从危险因素中选择年龄、是否合并肝脏疾病、是否合并血液系统恶性肿瘤、是否合并转移癌、住院类型、24 h心率变异系数、24 h血压变异系数、是否使用血管活性药、是否接受镇痛治疗、是否接受镇静治疗、是否接受有创机械通气构建简化预测模型。模型预测院内死亡的ROC曲线下面积(AUC)为0.743(95%CI 0.735~0.750,P<0.001),Hosmer-Lemeshow检验χ^(2)=4.978,P=0.083。使用Bootstrap法进行1000次重复采样进行内部验证,校正曲线判断预测值与实际值一致性较好。决策曲线分析提示,在高阈值风险0.1~0.6时,预测模型具有较高的实用价值。结论 基于CV-MAP及CV-HR建立ICU患者院内死亡风险预测模型具有较好的临床预测价值,有助于识别高危患者。

基于MIMIC-Ⅳ构建重症胰腺炎患者院内死亡风险预测模型

目的 基于重症监护医学信息数据库(MIMIC-Ⅳ)构建重症胰腺炎(SP)患者院内死亡风险的预测模型。方法 在MIMIC-Ⅳ中筛选SP患者,提取其临床资料。根据患者住院期间是否死亡分为存活组和死亡组,比较存活组和死亡组患者的临床资料。按照8∶2的比例将SP患者随机分成训练集和测试集,基于训练集的资料,采用Logistic回归模型和支持向量机(SVM)算法构建SP患者院内死亡风险的预测模型,再基于测试集的资料,绘制受试者工作特征(ROC)曲线评价两个模型的预测效能。结果 死亡组和存活组患者的年龄、红细胞分布宽度(RDW)、阴离子间隙、HDL-C差异有统计学意义(P<0.05)。Logistic回归分析结果显示,年龄、RDW、阴离子间隙是SP患者院内死亡的独立危险因素,HDL-C是SP患者院内死亡的独立保护因素(P<0.05)。SP患者院内死亡风险预测模型的回归方程为■,其中P为SP患者院内死亡的概率,e为自然常数,a=-6.264+0.033×年龄+0.061×RDW+0.091×阴离子间隙-0.019×HDL-C。当核函数为Linear函数、松弛变量为0.1、容错率为0.42时,SVM模型预测SP患者院内死亡的准确率最高。两个模型预测SP患者院内死亡效能的评价结果显示,SVM模型预测SP患者院内死亡的准确率、灵敏度和ROC曲线下面积高于或大于Logistic回归模型,但差异无统计学意义(P>0.05),特异度与Logistic回归模型相当。结论 年龄、RDW、阴离子间隙是SP患者院内死亡的独立危险因素,HDL-C是其独立保护因素。基于上述因素构建的SVM模型和Logistic回归模型均可有效预测SP患者院内死亡风险,而SVM模型的准确率和灵敏度稍高,预测效能更优。

不同时间段血乳酸水平对脓毒症院内死亡的预测价值比较:基于重症监护医学信息数据库

目的比较不同时间段的血乳酸水平对脓毒症院内死亡的预测价值,以期为临床上合理选用血乳酸提供一定的研究证据。方法基于重症监护医学信息数据库,纳入3299例脓毒症患者。根据患者院内死亡情况,将3299例脓毒症患者分为院内存活组(2445例)和院内死亡组(854例)。比较两组患者的性别比、监护室类型、简化急性生理学评分Ⅱ(SAPSⅡ)、序贯器官衰竭估计(SOFA)评分、入院24 h内血乳酸的最大值[血乳酸(24 h,max)]及最小值[血乳酸(24 h,min)]及24~48 h血乳酸的最大值[血乳酸(48 h,max)]及最小值[血乳酸(48 h,min)]。采用Logistic回归分析及受试者工作特征(ROC)曲线分析影响脓毒症患者院内死亡的相关因素,并用Z检验比较曲线下面积(AUC)。结果院内存活组患者的血乳酸(24 h,max)[3.0(1.8,4.8)mmol/L vs.3.6(2.1,6.3)mmol/L]、血乳酸(24 h,min)[1.5(1.1,2.2)mmol/L vs.1.8(1.3,2.9)mmol/L]、血乳酸(48 h,max)[1.5(1.1,2.3)mmol/L vs.2.5(1.5,4.4)mmol/L]、血乳酸(48 h,min)[1.3(1.0,1.8)mmol/L vs.1.9(1.3,3.2)mmol/L]、SAPSⅡ评分[44(35,54)分vs.48(37,59)分]及SOFA评分[6(4,9)分vs.8(5,11)分]均较院内死亡组显著降低(H=7.350、9.535、13.473、12.720、6.734、8.033,P均<0.001)。将上述指标纳入Logistic回归分析,结果显示,血乳酸(24 h,max)[比值比(OR)=1.099,95%置信区间(CI)(1.069,1.130)]、血乳酸(24 h,min)[OR=1.300,95%CI(1.220,1.385)]、血乳酸(48 h,max)[OR=1.330,95%CI(1.271,1.391)]、血乳酸(48 h,min)[OR=1.558,95%CI(1.451,1.673)]、SAPSⅡ评分[OR=1.014,95%CI(1.008,1.020)]和SOFA评分[OR=1.084,95%CI(1.059,1.110)]均为影响脓毒症患者院内死亡的危险因素(P均<0.001)。ROC曲线分析结果显示,血乳酸(24 h,max)[AUC=0.574,95%CI(0.551,0.597)]、血乳酸(24 h,min)[AUC=0.614,95%CI(0.591,0.636)]、血乳酸(48 h,max)[AUC=0.693,95%CI(0.672,0.715)]、血乳酸(48 h,min)[AUC=0.689,95%CI(0.668,0.710)]、SAPSⅡ评分[AUC=0.577,95%CI(0.555,0.600)]及SOFA评分[AUC=0.592,95%CI(0.569,0.614)]对脓毒症患者院内死亡均具有预测价值(P均<0.001),且血乳酸(48 h,max)和血乳酸(48 h,min)的AUC均显著高于血乳酸(24 h,max)(Z=7.310、7.064,P均<0.001)和血乳酸(24 h,min)(Z=5.078、4.821,P均<0.001)、SAPSⅡ评分(Z=7.126、6.880,P均<0.001)和SOFA评分(Z=6.204、5.959,P均<0.001)。结论入院24~48 h的血乳酸水平对脓毒症患者院内死亡可能具有更好的预测价值。

基于MIMIC-IV构建及评估脓毒症患者近期和远期死亡风险预测模型

目的:鉴于脓毒症的高发病率和高病死率,早期识别高风险患者并及时干预至关重要,而现有死亡风险预测模型在操作、适用性和预测长期预后等方面均存在不足。本研究旨在探讨脓毒症患者死亡的危险因素,构建近期和远期死亡风险预测模型。方法:从美国重症监护医学信息数据库IV(Medical Information Mart for Intensive Care-IV,MIMIC-IV)中选取符合脓毒症3.0诊断标准的人群,按7?3的比例随机分为建模组和验证组,分析患者的基线资料。采用单因素Cox回归分析和全子集回归确定脓毒症患者死亡的危险因素并筛选出构建预测模型的变量。分别用时间依赖性曲线下面积(area under the curve,AUC)、校准曲线和决策曲线评估模型的区分度、校准度和临床实用性。结果:共纳入14240例脓毒症患者,28 d和1年病死率分别为21.45%(3054例)和36.50%(5198例)。高龄、女性、高感染相关器官衰竭评分(sepsis-related organ failure assessment,SOFA)、高简明急性生理学评分(simplified acute physiology score II,SAPS II)、心率快、呼吸频率快、脓毒症休克、充血性心力衰竭、慢性阻塞性肺疾病、肝脏疾病、肾脏疾病、糖尿病、恶性肿瘤、高白细胞计数(white blood cell count,WBC)、长凝血酶原时间(prothrombin time,PT)、高血肌酐(serum creatinine,SCr)水平均为脓毒症死亡的危险因素(均P<0.05)。由PT、呼吸频率、体温、合并恶性肿瘤、合并肝脏疾病、脓毒症休克、SAPS II及年龄8个变量构建的模型,其28 d和1年生存的AUC分别为0.717(95%CI 0.710~0.724)和0.716(95%CI 0.707~0.725)。校准曲线和决策曲线表明该模型具有良好的校准度及较好的临床应用价值。结论:基于MIMIC-IV建立的脓毒症患者近期和远期死亡风险预测模型有较好的识别能力,对患者预后风险评估及干预治疗具有一定的临床参考意义。